一种基于滤波分层与显著性引导的高动态红外图像增强方法与流程

本发明涉及红外图像处理，尤其涉及一种基于滤波分层与显著性引导的高动态红外图像增强方法。

背景技术：

1、在红外成像领域，热成像系统通常以目标的红外辐射信息为成像基础，输出一般是高位深灰度图像，其像素值反映场景的辐射强度或等效温度分布。然而，受红外探测器噪声、非均匀性响应、环境热辐射干扰及硬件链路精度限制等因素影响，原始热成像图像普遍存在画面对比度低、细节信息弱、背景与目标区分度不足等问题。

2、当前红外图像增强技术主要分为两类：一类是基于全局或局部的灰度映射策略，例如线性拉伸、直方图均衡化及其改进方法（分段线性拉伸、平台直方图等），这类方法通过重新分配灰度级提升画面整体对比度；另一类则引入多尺度滤波、频域分解或边缘增强算子等，将原始红外探测图像分解为不同频段，分别进行针对性处理后再融合。

3、基于全局或局部的灰度映射策略虽能提升画面对比度，但因缺乏对空间结构和局部统计特性的建模，往往难以兼顾背景抑制与细节保留，易造成亮部过曝、暗部细节丢失等问题；滤波和分解等方法的参数多为固定或经验设定，在复杂场景下对不同区域的适应性有限，尤其难以在平坦区域与高梯度区域间实现差异化调节，导致画面存在缺陷。

4、基于深度学习的红外图像增强方法在主观视觉效果和定量指标上优势明显，但该方法极其依赖训练数据规模与标注质量，且模型推理过程计算复杂，在嵌入式或实时系统中部署成本较高。此外，神经网络的增强结果在物理可解释性和稳定性方面仍存在一定局限性。

5、因此，如何在不依赖高成本硬件升级或大规模模型训练的前提下，针对红外图像低频背景主导、高频细节微弱且噪声显著的成像特点，提供一种基于滤波分层与显著性引导的高动态红外图像增强方法，仍然是当前红外图像处理领域亟待解决的关键技术问题。

技术实现思路

1、有鉴于此，本发明提供了一种基于滤波分层与显著性引导的高动态红外图像增强方法，能够在复杂场景下同时兼顾全局动态范围压缩、局部细节增强以及噪声抑制效果。

2、为了实现上述目的，本发明采用如下技术方案：

3、一种基于滤波分层与显著性引导的高动态红外图像增强方法，包括以下步骤：

4、获取原始红外探测图像，并对原始红外探测图像进行预处理，获得处理后的红外图像；

5、采用加权引导滤波算法将处理后的红外图像分解为基础层和细节层，对基础层应用混合直方图均衡策略，获得均衡后的基础层；

6、构建基于亮度信息的ac视觉显著性模型，将基础层输入模型生成归一化的显著性掩膜；

7、利用显著性掩膜构建空间变化的增强与噪声抑制权重，进而生成细节增强增益图与噪声抑制强度图；

8、对细节层进行分析，结合细节增强增益图与噪声抑制强度图构建增强后的细节层；

9、将均衡后的基础层与增强后的细节层进行融合获得增强后的红外图像。

10、可选的，获取基础层具体为：

11、根据输入处理后的红外图像计算边缘感知权重，识别图像的边缘区域和平坦区域；

12、令图像同时作为引导图像与输入图像，执行加权引导滤波，获得红外图像的基础层。

13、可选的，执行加权引导滤波包括：

14、设在局部窗口内，滤波输出与引导图像之间满足线性关系：

15、，

16、其中，线性系数与通过最小化加权代价函数求解，其表达式为：

17、，

18、其中，为局部方差，为正则化参数，为对应像素位置的边缘感知权重，为图像动态范围相关的自适应正则项；

19、对系数和进行均值滤波，重建得到滤波输出图像，即红外图像的基础层。

20、可选的，获得细节层包括：

21、在基础层上施加轻微的高斯低通滤波，得到平滑后的基础层；

22、计算原始图像与平滑后基础层的差值得到细节层。

23、可选的，基于亮度信息的ac视觉显著性模型包括：

24、根据输入图像的分辨率动态定义多个比例尺度的滤波核，分别对基础层进行高斯模糊，得到不同尺度下的模糊图像；

25、计算基础层与每个尺度模糊图像之间的像素级欧氏距离，获得各尺度差分结果，并对各尺度差分结果进行累加，获得初始显著性响应图；

26、对初始显著性响应图进行归一化处理后通过s型非线性映射函数进行拉伸增强，生成归一化的显著性掩膜。

27、可选的，构建增强后的细节层包括：

28、计算细节层绝对值的局部均值作为局部纹理活跃度，基于计算细节层的标准差获取噪声估计；

29、构建自适应增强掩膜，表达式如下：

30、

31、其中，为防止分母为零的微小常数，为噪声抑制强度图；

32、将原始细节层与细节增强增益图及自适应增强掩膜相乘后，通过函数进行软截断，获得增强后的细节层。

33、可选的，融合均衡后的基础层与增强后的细节层具体为：

34、将处理后的基础层与增强后的细节层进行尺度归一化后采用线性加权叠加方式进行融合，得到初步融合图像；

35、构建多尺度高斯核对初步融合图像进行分层锐化，根据预设的强度系数和应用场景对锐化厚度图像加权并补偿回初步融合图像，最终将叠加后的结果截断至[0,255]区间并输出为8位灰度图像。

36、经由上述的技术方案可知，与现有技术相比，本发明提供了一种基于滤波分层与显著性引导的高动态红外图像增强方法，具有以下有益效果：

37、1、本发明采用边缘感知权重引导滤波，通过计算局部方差自适应调节正则化参数，在边缘区域减小平滑力度，在平坦区域加大平滑力度，从而在分解图像的同时，精准保留了强边缘；

38、2、本发明分层处理同时兼顾全局与局部，基础层负责全局动态范围压缩与局部均衡，细节层负责纹理与小目标增强；显著性图在细节层增强强度和噪声抑制权重之间建立合理权衡，避免两极抉择；

39、3、本发明采用混合直方图均衡策略处理图像基础层，在压缩动态范围的同时，最大程度保留了原始场景的亮度梯度，采用多尺度高斯差分金字塔进行后处理，这种锐化方式可以根据实际场景动态调整各频段权重，使图像在空间频率上表现更加均衡，输出图像更具通透感；

40、4.本发明避免了复杂的迭代优化过程，计算复杂度低，实时性好，且获得增强的红外图像一致性强，可用于深度学习批量生成训练数据对，为构建高质量的红外视觉数据集提供了高效的技术手段。

1.一种基于滤波分层与显著性引导的高动态红外图像增强方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于滤波分层与显著性引导的高动态红外图像增强方法，其特征在于，

3.根据权利要求2所述的一种基于滤波分层与显著性引导的高动态红外图像增强方法，其特征在于，

4.根据权利要求1所述的一种基于滤波分层与显著性引导的高动态红外图像增强方法，其特征在于，

5.根据权利要求1所述的一种基于滤波分层与显著性引导的高动态红外图像增强方法，其特征在于，

6.根据权利要求1所述的一种基于滤波分层与显著性引导的高动态红外图像增强方法，其特征在于，

7.根据权利要求1所述的一种基于滤波分层与显著性引导的高动态红外图像增强方法，其特征在于，